💻 computer science

A Multi-Agent Generative AI Framework for Explainable Stock Market Analysis in Indian Equity Market

Cet article présente un cadre d'IA générative à cinq agents qui intègre l'analyse technique, fondamentale et de sentiment avec la détection d'anomalies et le raisonnement basé sur les LLM pour fournir des prédictions boursières explicables et tenant compte de la confiance pour les actions indiennes, atteignant une précision directionnelle de 72 % et un consensus entre agents de 78 %.

Auteurs originaux : R Ashok Kumar, Prashanth Gowda G D

Publié 2026-07-08

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : R Ashok Kumar, Prashanth Gowda G D

Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous deviez décider d'acheter une action spécifique sur le marché indien. Habituellement, vous devriez agir à la fois comme un détective, un mathématicien, un psychologue et un historien. Vous devriez examiner les graphiques de prix (technique), lire les bilans comptables (fondamental), scanner l'actualité pour les rumeurs (sentiment) et comparer l'entreprise à ses voisines (benchmarking sectoriel). Faire tout cela seul est épuisant, et souvent, les indices se contredisent.

Ce document présente une solution : une équipe numérique de cinq robots experts (agents) qui travaillent ensemble pour vous donner une réponse claire et honnête sur une action, accompagnée d'un « pourquoi » que vous pouvez réellement comprendre.

Voici comment cette « équipe » fonctionne, divisée en parties simples :

1. Les cinq experts (Les agents)

Au lieu d'un seul cerveau informatique géant et déroutant, le système utilise cinq agents spécialisés, chacun ayant un travail spécifique. Ils travaillent tous en même temps (comme une course de relais où tout le monde commence à courir ensemble) pour gagner du temps.

Le Lecteur de Graphiques (Agent Technique) : Cet agent examine l'historique du prix de l'action. Il vérifie si l'action monte ou descend, si elle est « surchauffée » (trop chère trop vite), ou si c'est un bon moment pour acheter en fonction de la dynamique. C'est comme un surfeur qui observe les vagues pour savoir quand sauter à l'eau.
Le Comptable (Agent Fondamental) : Cet agent creuse la santé financière de l'entreprise. Il vérifie si l'entreprise gagne de l'argent, si elle a trop de dettes et si son prix est équitable par rapport à ses bénéfices. C'est comme un inspecteur de maison qui vérifie les fondations et le toit avant que vous n'achetiez une maison.
Le Lecteur d'Humeur (Agent de Sentiment) : Cet agent lit des milliers d'articles de presse et de publications sur les réseaux sociaux concernant l'entreprise. Il utilise une IA spéciale (FinBERT) entraînée sur le langage financier pour déterminer si les nouvelles sont bonnes, mauvaises ou neutres. Il sait que les nouvelles d'hier comptent moins que celles d'aujourd'hui, il accorde donc plus de poids aux histoires récentes.
Le Surveillant de Voisinage (Agent Sectoriel) : Cet agent compare l'entreprise cible à ses concurrents. Cette entreprise fait-elle mieux ou moins bien que le reste de son industrie ? C'est comme vérifier si un élève est en tête de sa classe ou simplement moyen.
Le Juge (Agent de Synthèse) : C'est le chef d'équipe. Il prend les rapports des quatre autres, pèse chaque rapport en fonction de la confiance de chaque expert, et les combine en un score final unique.

2. Le mécanisme d'« auto-guérison »

Que se passe-t-il si le Lecteur de Graphiques dit « Acheter » mais que le Comptable dit « Vendre » ? Dans de nombreux systèmes d'IA, cela provoque un plantage ou une réponse déroutante.

Dans ce système, il y a un Arbitre (Détecteur d'Anomalies). Si les experts sont trop en désaccord, l'Arbitre interrompt le processus et dit : « Attendez un instant, quelque chose ne va pas. Vérifions à nouveau les données. » Le système relance automatiquement la vérification avec des données fraîches. Il essaie cette procédure deux fois. Si les experts sont toujours en désaccord après deux tentatives, le système signale le résultat pour qu'un humain l'examine, plutôt que de deviner. Cela rend le système « auto-guérissant » car il essaie de corriger ses propres erreurs avant de vous donner une réponse.

3. Le « Traducteur » (IA explicable)

La plupart des systèmes d'IA vous donnent un chiffre (par exemple, « Acheter ») mais ne vous disent pas pourquoi. Ce sont des « boîtes noires ».

Ce système utilise une IA Google Gemini non pas pour prendre la décision, mais pour traduire la décision en français courant. Considérez les cinq agents comme les « preuves » et l'IA Gemini comme l'avocat présentant l'affaire au tribunal. Elle écrit un court paragraphe disant : « Nous recommandons d'acheter cette action parce que le prix augmente (Technique), l'entreprise a une faible dette (Fondamental) et les nouvelles sont positives (Sentiment). » Elle cite les chiffres spécifiques qu'elle a utilisés, afin que vous puissiez faire confiance au raisonnement.

4. À quelle vitesse et avec quelle précision est-il ?

Les chercheurs ont testé ce système sur 10 actions indiennes différentes dans 5 industries différentes (comme l'informatique, la banque et l'énergie) sur une période de 15 mois.

Vitesse : Il est très rapide. Il faut environ 26 à 32 secondes pour analyser une action et générer un rapport. C'est assez rapide pour l'utiliser pendant que vous attendez votre café.
Précision : Lorsque le système prédisait que l'action monterait ou descendrait, il avait raison 72 % du temps au cours des cinq jours suivants. C'est mieux que de simplement deviner ou d'utiliser un seul type d'analyse.
Accord : Les cinq experts étaient d'accord entre eux 78 % du temps. Lorsqu'ils étaient d'accord, le système était encore plus confiant dans sa réponse.

L'essentiel

Ce document présente un cadre qui transforme le monde chaotique et déroutant de l'analyse boursière en un processus structuré et basé sur une équipe. Il ne vous donne pas seulement un signal d'« Achat » ou de « Vente » ; il vous donne un argument motivé appuyé par des données provenant de multiples angles. Il est conçu spécifiquement pour le marché indien, gérant les actualités locales et les particularités du marché, et inclut des contrôles de sécurité pour empêcher l'IA de faire des suppositions sauvages lorsque les données sont désordonnées.

En bref, c'est comme avoir un comité d'investissement personnel composé de cinq experts qui vérifient leur travail, argumentent leurs points de vue, puis vous rédigent un rapport clair et facile à lire en moins de 30 secondes.

Résumé Technique : Un cadre d'IA générative multi-agents pour l'analyse explicable des marchés boursiers sur les marchés d'actions indiens

Énoncé du problème
Les investisseurs particuliers en actions et les chercheurs financiers sur le marché indien sont confrontés à un défi critique : la fragmentation analytique. Les signaux techniques, fondamentaux et de sentiment sont traditionnellement traités de manière isolée, empêchant une analyse unifiée et consciente de la confiance. De plus, les outils de prédiction boursière pilotés par l'IA existants privilégient souvent la précision au détriment de l'interprétabilité, s'appuyant sur des modèles d'apprentissage profond « boîte noire » (ex: LSTM, GRU) qui fournissent des prédictions ponctuelles sans chaînes de raisonnement transparentes. Ce manque d'explicabilité entrave la conformité réglementaire et la confiance des investisseurs, car les décideurs ne peuvent vérifier la logique sous-jacente aux recommandations algorithmiques.

Méthodologie
Les auteurs proposent un cadre hétérogène à cinq agents conçu spécifiquement pour les actions indiennes (NSE et BSE). Le système fonctionne sur un pipeline modulaire à gestion d'état utilisant asyncio de Python pour l'exécution parallèle et LangGraph pour l'orchestration.

Ingestion de données : Le système récupère les données OHLCV et les mesures fondamentales via yfinance et extrait les actualités financières de Moneycontrol et Economic Times en utilisant BeautifulSoup4. Les données textuelles sont intégrées via sentence-transformers et indexées dans des magasins de vecteurs doubles (FAISS et ChromaDB) pour la génération augmentée par récupération (RAG).
Agents spécialistes (Exécution parallèle) :
- Agent d'analyse technique : Calcule le RSI, le MACD, les EMA multi-périodes (9, 21, 50, 200) et les niveaux de support/résistance. Il génère un score pondéré et une confiance basée sur l'alignement des indicateurs.
- Agent d'analyse fondamentale : Évalue la valeur intrinsèque via la valorisation (P/E, P/B, PEG), la rentabilité (ROE, ROA), la santé financière (Debt/Equity, Current Ratio) et les mesures de croissance. Il utilise une normalisation par Z-score par rapport aux médianes sectorielles.
- Agent d'analyse de sentiment : Utilise ProsusAI FinBERT pour une classification de sentiment à trois classes, enrichie d'une fonction de pondération par décroissance temporelle exponentielle ( $\lambda=0,9$ ) pour prioriser les actualités récentes. Un repli sur une règle (lexique Loughran-McDonald) s'active si l'LLM échoue.
- Agent de benchmarking sectoriel : Compare l'action cible à 2 à 5 titres pairs au sein de 10 secteurs indiens prédéfinis, calculant les rangs de percentile pour le P/E, les rendements et la croissance.
Orchestration et détection d'anomalies : Un orchestrateur gère l'état partagé (AnalysisState). Un détecteur d'anomalies surveille les conflits (ex: signaux de haute confiance opposés, divergence prix-actualités ou sorties de faible confiance). En cas de détection, il déclenche une boucle de re-vérification bornée (maximum deux cycles) avec des fenêtres de données étendues ou des sources de repli. Si les anomalies persistent, le système signale le résultat pour inspection humaine et applique une pénalité de confiance.
Synthèse et raisonnement :
- Agent de synthèse : Agrège les sorties des agents en utilisant une formule pondérée par la confiance. Il applique un mécanisme de boost de consensus : si 3 agents sur 4 sont d'accord sur une direction avec une confiance >60 %, le signal est élevé (ex: ACHAT $\to$ ACHAT FORT).
- Raisonnement génératif : Le système invoque Google Gemini 2.0 Flash non pas comme moteur d'analyse, mais comme un moteur de rendu structuré. Il reçoit les scores agrégés, les listes de preuves et les drapeaux d'anomalies pour générer un raisonnement d'investissement en langage naturel avec des citations de preuves explicites.
Interfaces : Le système expose un backend REST FastAPI pour un accès programmatique et un tableau de bord Streamlit avec des visualisations Plotly pour un criblage interactif.

Contributions clés

Architecture multi-agents hétérogène : Intégration de l'analyse technique, fondamentale, de sentiment et sectorielle dans un pipeline unifié à gestion d'état, allant au-delà des méthodes d'ensemble homogènes.
Synthèse pondérée par la confiance : Un mécanisme qui quantifie l'accord multidimensionnel et augmente la force du signal lorsque la concordance des agents dépasse un seuil de 75 %.
Détection d'anomalies auto-réparatrice : Un module qui classifie des types de conflits spécifiques (ex: divergence Technique-Fondamentale) et exécute des boucles de re-vérification bornées pour résoudre les problèmes de qualité de données de manière autonome.
Ajustement du sentiment spécifique au domaine : Implémentation de FinBERT avec une pondération par décroissance temporelle exponentielle, adaptée au cycle rapide des actualités des marchés indiens.
Explicabilité architecturale : Une conception où le Large Language Model (LLM) agit comme un moteur de rendu pour des signaux pré-vérifiés plutôt que comme un prédicteur, garantissant que tout le raisonnement généré est ancré dans des preuves spécifiques et traçables.

Résultats expérimentaux
Le cadre a été évalué sur 10 actions cotées au NSE dans cinq secteurs sur une période de 15 mois (janvier 2024 – mars 2025).

Consensus : Le système a atteint un consensus entre agents dans 78 % des cas de test.
Précision directionnelle : Le modèle a atteint une précision directionnelle de 72 % par rapport aux mouvements du marché à 5 jours, surpassant une stratégie d'achat et conservation (buy-and-hold) de 58 % et l'analyse technique pure de 64 %.
Latence : L'inférence de bout en bout a moyenné 32,4 secondes via CLI et 26,1 secondes via l'API REST, respectant les cibles de moins de 30 secondes pour une interaction en temps réel.
Gestion des anomalies : Les anomalies ont été détectées dans 30 % des analyses ; le protocole de re-vérification a résolu 67 % de ces cas.
Corrélation de confiance : Une corrélation de Pearson de 0,61 a été observée entre les niveaux de confiance et la précision directionnelle. Les recommandations à haute confiance (>70 %) ont atteint 82 % de précision, contre 58 % pour celles à faible confiance.

Signification et revendications
L'article positionne ce travail comme une architecture reproductible et interprétable qui répond à la limitation de la « boîte noire » des IA financières actuelles. En intégrant des perspectives analytiques hétérogènes avec un mécanisme auto-réparateur et une citation de preuves pilotée par l'LLM, le cadre offre un outil de support à la décision transparent pour les marchés émergents comme l'Inde. Les auteurs affirment que cette approche démocratise les analyses avancées, permettant aux investisseurs particuliers d'accéder à des informations explicables et conscientes de la confiance sans dépendre de modèles d'apprentissage profond opaques. Le système est présenté comme une preuve de concept pouvant être construit à l'aide d'outils open-source et de données publiques, avec des voies spécifiques identifiées pour des améliorations futures, telles que l'optimisation dynamique des poids via l'apprentissage par renforcement et le développement d'un modèle « Indic-FinBERT » pour une meilleure gestion du jargon financier indien.